# 数据分析 · 第 12 篇｜学习路径与实战练习

> 系列：project / 数据分析（共 12 篇）｜AI生成｜2026-10-27｜codebuddy

**这一篇讲什么**

学数据分析最容易陷入的困境，是课程收藏了一堆、工具装了一桌，遇到一个真实问题还是不知道从哪下手。原因通常不是学得少，而是学的顺序不对：先学工具，再找场景，最后发现工具和问题对不上。这一篇把前 11 篇收拢成一条可执行的路径：90 天、三个阶段、每周做什么、每天 60—90 分钟怎么分配，再给 6 个可以写进作品集的题目和 10 个面试高频问题。你可以把它当成一张课表，也可以当成一次自检——哪一步卡住，就回到对应的那一篇。

## 一、三个阶段与 90 天总览

学习路径的设计原则只有一条：**每一周都要产出一个可以被别人看到的东西**。不是「学完 SQL 再练」，而是「为了回答这个问题，去学这一小节 SQL」。前者容易变成无限准备，后者会逼你把知识用起来。

三个阶段的分工是这样的。第一个月解决「能不能把数取出来、说清楚」：Excel、SQL、描述性分析。第二个月解决「能不能判断」：诊断、实验、预测入门。第三个月解决「能不能交付」：一个完整项目、两个专项、一份能讲 10 分钟的汇报。三个月不是硬性期限，而是节奏参考；有全职工作的人可以拉长到 5 个月，但顺序不要变。

表 1 是 90 天的总览。注意每一行的「验收」都是可检查的动作，不是「掌握」「熟悉」这种无法验证的词。

| 阶段 | 周次 | 主题 | 主要产出 | 验收标准 |
| --- | --- | --- | --- | --- |
| 基础 | 第 1—4 周 | Excel、SQL、描述分析 | 一份北辰优选月度经营周报 | 能独立取数、复现指标、解释口径 |
| 方法 | 第 5—8 周 | 诊断、实验、预测 | 三个小案例 + 一份实验设计 | 能给出证据链，不把相关当因果 |
| 交付 | 第 9—12 周 | 作品集、行业专题、面试 | 1 个完整项目 + 2 个专项 | 陌生人能看懂并追问 |

为什么是这个顺序？因为诊断需要描述做基础，实验需要指标口径做基础，预测需要诊断做基础。跳过描述直接学模型，会做出「AUC 很高但业务不用」的东西；跳过诊断直接学实验，会设计出「指标变了但不知道哪一步变了」的实验。

每天的时间安排放在第一节说，因为它决定了三个月的成败。60—90 分钟足够，关键是结构：**看 20 分钟、练 40 分钟、写 10 分钟**，剩下 10 分钟用来处理环境、找数据、记问题。看的部分只读一小节，带着一个具体问题读；练的部分一定要在数据上动手，哪怕是重复别人的查询；写的部分只写三行——今天解决了什么、卡在哪、明天第一步做什么。

这三行复盘看起来简单，但它是整套路径里最容易被跳过、也最值钱的一步。三个月后你会发现，真正记住的不是某条 SQL 语法，而是「上次卡在分母定义，这次先问口径」这类经验。经验只能从复盘里长出来。

还有一个反直觉的建议：**不要连续学三个小时**。数据分析的难点在判断，不在记忆，连续学习会让判断力下降，第四十分钟之后写的 SQL 往往要重写。每天 60—90 分钟、每周 5 天，比周末突击 8 小时有效得多。

## 二、第 1 个月：把地基打平

第一个月的目标很具体：拿到一张陌生的表，能在 30 分钟内说清它有多少行、粒度是什么、有没有重复、关键字段的空值率是多少；给一个业务问题，能写出取数的 SQL，并解释每个分母。

表 2 是第一个月的周计划。

| 周次 | 学习重点 | 练习 | 产出 |
| --- | --- | --- | --- |
| 第 1 周 | Excel：排序筛选、透视表、常用函数、图表 | 用一份订单明细做品类汇总和月度趋势 | 一张能自动更新的汇总表 |
| 第 2 周 | SQL：SELECT、WHERE、GROUP BY、JOIN、子查询 | 在 users / orders / events 三表上写 10 个查询 | 10 条可复用的 SQL |
| 第 3 周 | 描述分析：均值与中位数、分布、同比环比、漏斗 | 复现第 03 篇的漏斗和留存表 | 一份 5 页的描述分析 |
| 第 4 周 | 指标口径：GMV、客单价、转化率、留存 | 给北辰优选做一份 3 月经营周报 | 周报 + 口径说明 |

第 1 周不要急着学 SQL。Excel 的价值不是「简单」，而是让你在没有代码干扰的情况下理解「一行数据代表什么」。透视表本质上就是 GROUP BY，图表本质上就是可视化编码，先把这些直觉建立起来，第 2 周写 SQL 会快很多。

第 2 周的 10 个查询要覆盖五类：单表过滤与聚合、分组后过滤（HAVING）、两表连接、日期处理、去重计数。每一条都要求你能说出「如果数据量放大 100 倍，这条还能不能跑」。这个习惯会在第 3 个月救你一次——很多人写的查询在小样本上没问题，在全量数据上跑不动。

第 3 周的重点是「分布意识」。均值 200 元的客单价，可能是所有人都买 200 元，也可能是 10% 的人买 1500 元、90% 的人买 60 元。看到均值就追问一句「中位数是多少、P90 是多少」，这个动作要练到条件反射。

第 4 周开始接触口径。同一个 GMV，含不含退款、含不含运费、按下单日还是支付日，会得到三个不同的数。练习方式是：给自己写的周报加一节「口径说明」，用五句话写清每个指标的定义、分母、时间窗口、数据来源、已知偏差。这一节写得好，第 3 个月的作品集会直接受益。

第一个月结束时，做一个 30 分钟的自我验收：给一个没见过的表，能否在 10 分钟内说出粒度和主键；给一个业务问题，能否在 20 分钟内写出取数逻辑。做不到就再练一周，不要急着进入第二个月。

## 三、第 2 个月：从会算到会判断

第二个月的核心变化是：问题从「是多少」变成「为什么」和「如果这样做会怎样」。这四周分别覆盖诊断、留存分层、实验、预测四个主题。

表 3 是第二个月的周计划。

| 周次 | 学习重点 | 练习 | 产出 |
| --- | --- | --- | --- |
| 第 5 周 | 诊断：拆解、下钻、贡献度、排除替代解释 | 复现第 04 篇的 GMV 下降案例 | 一份诊断报告（含 3 个假设） |
| 第 6 周 | 留存与分层：cohort、RFM、分群对比 | 对北辰优选做一次 cohort 留存和 RFM 分层 | 两张分析表 + 结论 |
| 第 7 周 | 实验：假设、指标、样本量、显著性、常见坑 | 设计一个详情页改版的 A/B 实验 | 一份实验设计文档 |
| 第 8 周 | 预测入门：回归、分类、评估、过拟合 | 用历史订单做一个复购预测 | 模型 + 评估 + 使用建议 |

第 5 周最容易犯的错，是把「拆解」做成「罗列」。拆解要求每一层都能回答「这一层解释了多少」，而不是把渠道、品类、城市各拉一张表。判断标准是：三个假设的贡献加起来，能不能接近总变化。接近不了，说明还有一层没拆到。

第 6 周的 cohort 是整套路径里回报最高的技能之一。它把「这个月留存 20%」变成「1 月注册的人在 3 月还剩多少」，让你能区分「产品变差」和「新客结构变化」。RFM 则是把用户按最近购买、频次、金额分成八群，练习的重点不是分组，而是给每一群配一个动作：高价值高活跃维护，高价值低活跃召回，低价值高活跃提客单，低价值低活跃放弃。

第 7 周的实验设计，重点不是算显著性，而是想清楚三件事：改什么（单一变量）、看什么（主指标 + 护栏指标）、看多久（至少一个完整周期）。样本量可以用公式或工具算，但「主指标选错」是算不回来的。常见坑包括：同时改三个地方、用点击率当主指标却关心收入、实验跑到一半看到显著就停。

第 8 周的预测只要做到「能评估、能解释、能落地」就够了，不需要追求复杂模型。用逻辑回归或树模型跑一个复购预测，重点看三件事：标签怎么定义（多久没买算流失）、特征有没有时间穿越（用了未来的数据）、阈值怎么定（取 0.5 还是按业务成本定）。第 06 篇讲过，模型的价值不在 AUC，而在「预测出来之后谁做什么」。

第二个月结束时，你应该能独立完成一份「问题—证据—结论—动作」的四段式分析。如果还停留在「拉了几张表」，说明诊断这一周没练透，回去重做第 5 周。

## 四、第 3 个月：作品集与行业专题

第三个月不再学新方法，而是把会的东西做成能拿出手的东西。一个完整项目、两个专项、一份 10 分钟的讲述，是这个月的全部目标。

表 4 是第三个月的周计划。

| 周次 | 任务 | 具体动作 | 产出 |
| --- | --- | --- | --- |
| 第 9 周 | 选题与数据 | 从第 5 节的 6 个题目里选 1 个，准备数据字典 | 一页项目提案 |
| 第 10 周 | 分析与迭代 | 完成取数、清洗、描述、诊断，记录每次返工 | 分析过程记录 + 图表草稿 |
| 第 11 周 | 报告与可视化 | 按第 11 篇的结构写结论、做图、写口径 | 一份 8—12 页的报告 |
| 第 12 周 | 行业专题与面试 | 选一个行业做指标梳理，准备 10 个问题的答案 | 行业专题一页纸 + 面试稿 |

选题有一条硬标准：**问题必须是业务问题，不是数据集问题**。「预测泰坦尼克号生存」是数据集问题，「某渠道新客 30 日留存下降，要不要继续投放」是业务问题。前者只能证明你会调库，后者能证明你会判断。

第 10 周要刻意保留「返工记录」。大多数人做作品集时只放最终结论，看起来干净，但面试官一问「你为什么这么拆」就露馅。返工记录反而是加分项：第一次按渠道拆发现解释不了，第二次按新老客拆才找到原因——这个过程比结论更能说明你会分析。

第 11 周的报告要按「结论先行」组织：第一页写三条结论和三个动作，后面才是论证。图表遵守一个原则：一张图只说一件事。把六张图塞进一页，等于什么都没说。

第 12 周的行业专题，是从「会分析」到「懂业务」的桥。选一个行业（电商、SaaS、金融、零售、制造、医疗都可以），用一页纸写清：这个行业靠什么赚钱、核心指标有哪五个、这五个指标之间怎么互相制约、当前最常见的分析问题是什么。这一页纸在面试里的价值，往往高于一个复杂的模型。

第三个月结束时，你需要的不是「学完了」，而是「有一个陌生人愿意花 10 分钟听你讲，并且能追问三个问题」。如果讲不到 10 分钟就没话了，说明项目太薄；如果被追问就慌，说明口径和证据链没准备好。

## 五、六个实战题目

题目不是练习题，而是「缩小版的真实工作」。选题目有三条标准：有明确的业务问题、数据能拿到、结论有判断空间。下面 6 个题目都围绕北辰优选和它的同构场景设计，数据可以用第 02 篇的三张表构造，也可以自己造一份。

表 5 是题目清单。

| 编号 | 题目 | 数据表 | 要回答的问题 | 要求产出 | 评分点 |
| --- | --- | --- | --- | --- | --- |
| 1 | 电商 GMV 下降 | users、orders、events，3—4 月 | 4 月 GMV 环比下降 12%，原因是什么 | 四因子拆解 + 两个维度下钻 + 三个动作 | 口径、拆解完整性、证据链 |
| 2 | 渠道质量评估 | 渠道花费、users、orders | 五个渠道里哪个该加预算、哪个该停 | CAC、ROI、LTV/CAC、留存对比 + 预算建议 | 归因窗口、LTV 假设、分层 |
| 3 | A/B 实验设计 | 详情页改版方案、历史转化数据 | 改版能否提升支付转化率 | 假设、指标、样本量、分流、分析计划 | 单一变量、护栏指标、样本量 |
| 4 | 用户流失预测 | SaaS 订阅、功能使用、工单 | 哪些客户会在 60 天内流失 | 特征、模型、评估、名单与动作 | 标签定义、时间穿越、阈值 |
| 5 | 门店坪效分析 | store_daily：面积、客流、进店、订单、销售 | 两家门店坪效差 25%，差在哪 | 乘法链拆解 + 可迁移动作 | 分母、分解、动作可行性 |
| 6 | SaaS 流失诊断 | subscriptions、usage、tickets | 月流失率从 3% 升到 4.5%，为什么 | 分层流失率、根因、干预方案 | 分母、分层、替代解释 |

这 6 题有难度顺序。第 1、5 题是描述加诊断，适合第 5—6 周做；第 2、3 题涉及归因和实验，适合第 7 周；第 4、6 题涉及预测和分层，适合第 8 周之后。不要一上来做第 4 题，没有诊断能力做支撑，特征工程会变成碰运气。

每题的做法可以套同一个模板：先用一句话写清「谁在什么场景下要做什么决定」，再写「需要哪些数、口径是什么」，然后才是分析。以第 1 题为例，业务决策是「下个月要不要继续削减信息流预算」，那么分析就必须回答「信息流带来的增量 GMV 是多少、停掉会损失多少」，而不是只证明「信息流用户留存低」。前者是决策，后者是描述。

题目 1 的取数骨架如下，四个因子必须来自同一时间窗口：

```sql
WITH m AS (
    SELECT DATE_TRUNC('month', order_date) AS mon,
           COUNT(DISTINCT user_id)         AS payers,
           COUNT(*)                        AS orders,
           SUM(amount)                     AS gmv
    FROM orders
    WHERE status = 'paid'
    GROUP BY 1
)
SELECT mon, payers, orders, gmv,
       ROUND(gmv * 1.0 / orders, 2) AS aov
FROM m
ORDER BY mon;
```

题目 6 的骨架是把分母固定为期初客户，再按套餐和任期分组：

```sql
SELECT plan,
       CASE WHEN period_start - signup_date < 90 THEN '90天内'
            ELSE '90天以上' END AS tenure,
       COUNT(*) AS customers,
       AVG(CASE WHEN churn_date >= period_start
                 AND churn_date <  period_end THEN 1.0 ELSE 0 END) AS churn_rate
FROM subscriptions
WHERE signup_date < period_start
GROUP BY 1, 2
ORDER BY churn_rate DESC;
```

第 3 题有一个容易被忽略的要求：写清「不通过怎么办」。实验设计不只是证明自己是对的，还要预设「如果主指标没动、护栏指标变差，我们做什么」。能写出这一句，说明你真的理解实验是决策工具，不是证明工具。

第 4 题和第 6 题可以连着做：第 6 题先做诊断，找出高流失人群；第 4 题再对这些人群做预测，输出名单。这样两个题目共享一套数据，作品集里也能讲成一个完整故事：先发现谁在走，再预测谁将走，最后给动作。

评分时建议找一个人互评，用表 5 的评分点逐项打 0—2 分。自己评容易宽容，尤其是在「动作可行性」这一项——很多分析看起来完整，但动作是「建议优化用户体验」，等于没说。

## 六、作品集：一页纸讲清一个项目

作品集不是学习笔记的合集，而是「你如何从一个问题走到结论」的证据。结构上只要三样东西：一个完整项目、两个专项、一份讲述。

完整项目体现全流程：问题、数据、方法、结论、复盘。两个专项分别展示一种硬技能，比如一段能体现窗口函数和 CTE 的 SQL、一个把六张图讲成一个故事的看板、一份包含样本量和护栏指标的实验设计。专项不需要大，但必须能看出「你知道自己在做什么」。

表 6 是一页作品集模板，可以直接照着填。

| 区块 | 写什么 | 篇幅 | 检查点 |
| --- | --- | --- | --- |
| 标题 | 一句话说清问题和结论 | 1 行 | 有没有数字 |
| 背景 | 谁要做什么决定，为什么现在做 | 3 行 | 是否具体到岗位和场景 |
| 数据 | 表、时间范围、粒度、关键口径 | 4 行 | 分母写没写 |
| 方法 | 三步：拆解、验证、排除 | 5 行 | 有没有替代解释 |
| 结论 | 三条，每条带一个数字 | 3 行 | 能不能被证伪 |
| 动作 | 谁在什么时候做什么，预期影响多少 | 3 行 | 是否可执行 |
| 复盘 | 哪一步可能错，下次怎么改 | 3 行 | 是否诚实 |

一页纸的限制是刻意的。它逼你删掉过程，只留判断。很多人舍不得删，结果十页纸里九页是取数过程，面试官翻两页就放下了。真正的过程可以放在附件：SQL 文件、清洗脚本、图表源数据，但正文只留结论和证据。

讲述按 10 分钟准备：1 分钟讲问题和决策，3 分钟讲数据和方法，3 分钟讲结论，2 分钟讲动作和结果，1 分钟讲复盘。每一段都留一个「可被追问的点」，比如「为什么用 30 日留存而不是 7 日」「为什么把这两个渠道合并」。面试官顺着追问，你才有机会展示深度。

作品集最常见的三个问题：一是有图无结论，放了十张图但说不出哪张支持哪个判断；二是有结论无口径，说「转化率提升了 3%」，但没说分母是 UV 还是 PV；三是有建议无动作，结尾写「建议提升用户粘性」，等于没写。改法很简单：每张图配一句「所以呢」，每个数字配一句「分母是什么」，每条建议配一句「谁来做」。

## 七、面试准备：三类问题与十个高频题

数据分析面试通常考三类：SQL、案例、行为。三类的准备方式完全不同，不能混着刷题。

SQL 考的是「能不能把逻辑写成代码」，重点在窗口函数、自连接、漏斗、留存、TopN。准备方法是手写，不依赖运行环境；写完再用数据验证。面试时先说思路（先筛什么、按什么分组、怎么连接），再写代码，卡住时说出卡在哪，比沉默好。

案例考的是「能不能把问题拆开」。标准流程是：确认口径和目标 → 拆指标 → 提假设 → 说验证方法 → 给动作。不要一上来就给结论，也不要把所有可能都列一遍，选两三条最可能的，说清为什么。

行为考的是「你真实做过什么」。用 STAR 结构：情境、任务、动作、结果。结果要有数字，动作要说清你个人的部分。不要说「我们团队做了」，要说「我负责了哪一段」。

表 7 是 10 个高频问题和回答框架。

| 类型 | 问题 | 回答框架 |
| --- | --- | --- |
| SQL | 怎么算次日留存和 30 日留存 | 首次行为表 + 日期差 + 条件计数，先讲分母 |
| SQL | 每个品类销售额前三的商品 | 窗口函数 ROW_NUMBER 按品类分区排序 |
| SQL | 从曝光到支付的漏斗 SQL | 分事件聚合 + 按用户去重 + 逐步 Left Join |
| 案例 | 某产品 GMV 突然下降 20% | 先验口径与数据完整性，再四因子拆解，最后分维度下钻 |
| 案例 | 某个指标一夜翻倍，怎么排查 | 查埋点、查口径、查异常用户、查外部事件 |
| 案例 | 如何设计一个改版实验 | 假设、单一变量、主指标 + 护栏、样本量、周期 |
| 案例 | 留存下降，怎么判断是产品还是渠道问题 | 分渠道分新老客做 cohort，看同期对照组 |
| 行为 | 讲一个失败的分析 | STAR + 错在哪 + 后来怎么改 |
| 行为 | 业务方不认可你的结论怎么办 | 对齐口径与目标，用实验或小范围试点验证 |
| 行为 | 讲一个你推动落地的分析 | STAR + 影响的人数与指标变化 |

SQL 题最容易被追问的是「如果数据量很大怎么办」。回答方向是：先过滤再连接、避免 SELECT *、用分区字段、把重复计算的逻辑落到中间表。不需要背优化技巧，但要说得出「哪一步最贵」。

案例题最容易被追问的是「还有别的原因吗」。提前准备一句「我能想到的替代解释有三个，我先说最可能的两个」，比被问住再补要好。说完假设后，一定要接「怎么验证」，否则会被认为只会猜。

面试最后通常留 5 分钟给你提问。问什么很能说明水平：问「这个岗位的分析主要支持哪些决策」比问「加班多不多」有用；问「团队现在最头疼的指标是什么」能让你提前进入工作状态。

## 八、自评、误区与资源

学完三个月，需要一次诚实的自评。表 8 列了 12 项能力，每项 0—3 分：0 是不知道，1 是听过，2 是能独立做，3 是能教别人。给自己打分，再写 30 天、60 天、90 天的目标分。

| 能力 | 0 分 | 1 分 | 2 分 | 3 分 | 30 天 | 60 天 | 90 天 |
| --- | --- | --- | --- | --- | --- | --- | --- |
| Excel | 不会透视表 | 会基础函数 | 会透视与图表 | 会建模与自动化 | 2 | 2 | 3 |
| SQL 基础 | 不会写 | 会单表查询 | 会 JOIN 与分组 | 会优化 | 2 | 3 | 3 |
| SQL 进阶 | 不会窗口 | 知道概念 | 会写留存与 TopN | 会拆复杂漏斗 | 1 | 2 | 2 |
| 数据清洗 | 不查空值 | 会去重 | 会处理异常与缺失 | 能定清洗规则 | 2 | 2 | 3 |
| 指标体系 | 只会单指标 | 知道分母 | 能搭指标树 | 能定口径规范 | 1 | 2 | 2 |
| 描述分析 | 只会均值 | 会同比环比 | 会用分布与分层 | 能选对切分维度 | 2 | 3 | 3 |
| 可视化 | 会插图表 | 会选图型 | 会做一页报告 | 能讲图讲故事 | 2 | 2 | 3 |
| 诊断归因 | 靠猜 | 会单维下钻 | 会贡献度与交互 | 能排除替代解释 | 1 | 2 | 2 |
| 实验设计 | 不知道对照 | 会看显著 | 会算样本量 | 会做 DID 与分层 | 0 | 1 | 2 |
| 预测建模 | 不会 | 会调包 | 会评估与调参 | 能接到业务动作 | 0 | 1 | 2 |
| 业务理解 | 说不清收入 | 知道流程 | 知道关键约束 | 能提业务假设 | 1 | 2 | 2 |
| 报告沟通 | 罗列过程 | 结论先行 | 能推动落地 | 能影响决策 | 1 | 2 | 3 |

打分之后看两件事：有没有三项以上是 0，有没有一项是 3 但没作品。前者说明基础有洞，先补；后者说明能力没被验证，先做项目。目标分不要一次定到 3，30 天涨 1 分是正常速度。

表 9 是四个最常见的学习误区。

| 误区 | 典型表现 | 后果 | 改法 |
| --- | --- | --- | --- |
| 只收藏不练 | 收藏了 50 篇文章，没跑过一次数 | 知识停在「听过」 | 每读一篇，必须复现一个结果 |
| 只学工具不学业务 | 会写复杂 SQL，说不清指标含义 | 分析没有结论 | 每个查询先写业务问题 |
| 追求复杂模型 | 一上来就上深度学习 | 解释不了，落不了地 | 先用简单模型跑通闭环 |
| 不做复盘 | 做完项目就丢 | 同样的坑反复踩 | 每周三行复盘 |

资源不在多，在于用完。书可以选《深入浅出数据分析》打底、《SQL 必知必会》练查询、《精益数据分析》补业务、《利用 Python 进行数据分析》做数据处理的参考、《赤裸裸的统计学》补统计直觉。课程可以选公开平台上的统计与 SQL 入门课，重点看有没有作业和项目。数据集可以从公开数据平台、竞赛平台和公司开放数据里找，优先选有业务背景的，不要只选清洗好的玩具数据。社区方面，Stack Overflow 适合查具体报错，Kaggle 适合看别人的完整分析，行业报告适合补业务常识。

最后一句提醒：这份路径不是「学完就能上岗」的保证，它只保证你少走弯路。真正的差距在项目之后——你有没有在真实数据上被一个问题卡住三天，有没有为了让一个结论站住脚去补三种验证。那些时刻不会出现在课表里，但它们才是分析能力的来源。

## 本篇要点回顾

1. 90 天分三段：基础、方法、交付；每周必须有一个可以给别人看的产出，而不是「学完再说」。
2. 每天 60—90 分钟的结构是 20 分钟看、40 分钟练、10 分钟写复盘；连续三小时的效果远低于每天 90 分钟。
3. 六个题目按难度排序：先做 GMV 下降和坪效，再做渠道与实验，最后做流失预测与诊断。
4. 作品集只要一页：问题、数据、方法、结论、动作、复盘；每张图配一句「所以呢」，每个数字配一句「分母是什么」。
5. 面试三类题各有套路：SQL 先说思路、案例先确认口径、行为用 STAR；10 个高频题至少各练三遍。

## 延伸阅读

- 第 01 篇《数据分析是什么》：从问题到结论的工作流，是这 90 天的总纲。
- 第 03 篇《描述性分析与指标体系》：第 1 个月的核心教材，漏斗、留存、RFM 都在这里。
- 第 04 篇《诊断性分析与归因》与第 05 篇《统计推断与 AB 实验》：第 2 个月的两根支柱，对应第 5—7 周。
- 第 09、10 篇《行业实战》：第 3 个月选行业专题时的参考，也是面试案例题的素材库。
- 第 11 篇《分析报告与沟通》：作品集和面试讲述都按它的结构组织，建议在做第 11 周报告前重读一遍。